KI in der Medizin: Maschinen lernen nicht wie Menschen

Seit Jahren blickt die Medizin auf KI-Methoden, die Ärzten die Arbeit erleichtern sollen. Computer verfügen zwar nicht über medizinisches Fachwissen aus einem jahrelangen Studium, aber sie sind in der Lage, bestimmte Merkmale und Muster in Datensätzen zu erkennen und daraus Schlüsse zu ziehen. Das macht sie zwar nicht so gut wie Ärzte, aber bei einigen Aufgaben durchaus schneller und zuverlässiger.

Im Interview mit MEDICA.de spricht Dr. Markus Wenzel über den Begriff machine learning, wie weit KI-Lösungen im medizinischen Alltag heute schon sind und wie sie sich entwickeln werden.

Herr Dr. Wenzel, was sind eigentlich machine learning und deep learning?

Dr. Markus Wenzel: Der Begriff machine learning suggeriert, dass ein Computer sich selbst Ziele setzt und etwas lernt. Das trifft, meiner Meinung nach, nicht ganz zu. Dabei ist eher der Prozess gemeint, in dem ein Forscher dem Computer Daten zur Verfügung stellt und etwas beibringt – insofern wäre machine teaching der bessere Begriff.

Unabhängig vom Begriff wird machine learning als Weg zur künstlichen Intelligenz, KI, gesehen. Das trifft aber nur eingeschränkt zu: Man sucht nicht nach Methoden, Intelligenz nachzubauen und künstlich hervorzubringen, sondern nach Möglichkeiten, Computern schneller beizubringen, eine kognitive Aufgabe möglichst effizient zu lösen, mindestens so gut wie der Mensch. Die dazu verwendete Methode muss nicht unbedingt deep learning sein, es kann auch jede andere Art sein, aus Daten Schlussfolgerungen zu ziehen, aber deep learning ist eine sehr effiziente Methode.

Welche Aufgaben kann KI denn für Ärzte übernehmen und vielleicht sogar besser lösen als sie?

Wenzel: Das sind in der Regel Aufgaben, bei denen Ärzte systematisch Schwächen haben, weil sie repetitiv sind und man als Mensch dabei schnell ermüdet, oder Aufgaben, die die Kenntnisse und Fähigkeiten eines Arztes als Spezialist im medizinischen Umfeld nicht vollständig nutzen. In der Routine sehen sich Ärzte täglich eine große Menge Befunde an: in der Radiologie zum Beispiel viele Bilder mit einer bestimmten Suchaufgabe, die aber in der Regel fast nur Normalbefunde zeigen. Diese Bilder werden aufgrund eines Verdachts aufgenommen und in einem ganzen Bildstapel ist dann häufig nur auf wenigen Einzelbildern tatsächlich etwas zu sehen.

Eine solch zeitaufwendige Suchaufgabe ist eine der kognitiven Fähigkeiten, die Computer exzellent erlenen können: Also, sich schnell große Datenmengen anzusehen, mögliche Fundstellen zu identifizieren und Bilder für den Arzt vorab zu sortieren, sodass er sich nicht mehr alle Bilder ansehen muss.

Gibt es denn schon Produkte auf dem Markt, die Methoden des deep learnings anwenden?

Wenzel: Es gibt schon lange, in den USA beispielsweise seit 10 bis 15 Jahren, Medizinprodukte, in denen Algorithmen eingesetzt werden, um auf Bildern bestimmte Merkmale auszuwerten, die der Computer beurteilt und für den Arzt so eine Art zweiter Meinung bildet. Teilweise löst er dabei auch die Detektionsaufgabe. Diese Algorithmen wurden aber nicht mit deep learning trainiert, sondern mit anderen Arten des maschinellen Lernens und sind deshalb heute nicht mehr so gefragt.

Deep learning verschafft den Algorithmen eine stark verbesserte Leistungsfähigkeit. Das wird durch einen grundlegenden Wandel in der Vorgehensweise erreicht. Bisher haben wir Computern beigebracht, sich Bilder anzusehen, wie wir es tun würden. Das begrenzte unsere Möglichkeiten, weil unser Auge auch nur eine begrenzte "Wahrnehmungsmaschine" ist: Wir suchen nach bestimmten Mustern und Merkmalen, die wir wahrnehmen können. Wenn der Computer ebenfalls nach diesen Merkmalen suchen soll, übernimmt er einerseits zwar das Gute vom Menschen, andererseits aber natürlich auch seine Fehler.

Ein Computer kann andere Merkmale wahrnehmen und hat deswegen größere Möglichkeiten, wenn er sich selbst aussuchen kann, welche Merkmale für ihn wichtig sind. Deep learning wird deshalb auch gerne feature learning genannt, weil der Computer selbst festlegt, welche Merkmale in den Bildern wichtig sind, um die Aufgabe zu lösen, die wir als Menschen ihm gestellt haben.

Was sind die Ziele des Fraunhofer MEVIS in der KI-Forschung?

Wenzel: Wir wollen mit KI-Methoden eine Arbeitserleichterung für Ärzte erreichen. Wir beziehen Ärzte in die Arbeit mit ein und arbeiten zusammen mit ihnen an den KI-Lösungen. Außerdem gestalten wir unsere Tools so, dass sie eine gewisse Transparenz bieten, damit Ärzte verstehen können, warum Computer bestimmte Entscheidungen vorschlagen und bestimmte Befunde zeigen – oder auch nicht.

Transparenz und Verstehbarkeit von KI-Lösungen sind wichtige Ziele. Das fördert die Akzeptanz – auch indem wir die Ärzte aktiv in die Prozesse mit einbeziehen, sie selbst definieren lassen, welche Aufgaben Computer übernehmen sollen und wo und in welcher Form sie Computerunterstützung besonders brauchen: Soll der Computer einen Befund nur markieren oder soll er ihn auch gleich beurteilen? Sollen er Therapien vorschlagen oder ist das etwas, was der Arzt lieber selber macht?

Wie wird sich in Zukunft der Einsatz des maschinellen Lernens in der Medizin entwickeln?

Wenzel: Ich denke, dass es eine große Menge von Einzellösungen geben wird, die jeweils ein bestimmtes Problem adressieren, auf eine bestimmte Art von Bildern zugeschnitten sind oder eine bestimmte Krankheit erkennen sollen. Dieser Weg wird im Moment von vielen Einrichtungen und Forschungsgruppen gegangen.

Außerdem, und das wird vor allem im Hintergrund passieren, werden große medizinische Zentren und Anbieter von Medizinprodukten damit beginnen, komplexe Datenszenarien aus einer Vielzahl von Datenquellen aufzuarbeiten. Dazu würden nicht nur Bilder gehören – an diese kommt man über die klinischen Informationssysteme sehr leicht – sondern auch die ganzen Zusatzinformationen wie zum Beispiel Arztbriefe, Berichte der Radiologie, des Labors oder der Pathologie. Es wird noch eine gewisse Zeit dauern, bis all diese Informationen zu einem bestimmten Patienten und Zeitpunkt automatisch aus den Informationssystemen gelesen und so aufgearbeitet werden können, dass Computer daraus lernen können.

Es wird aber sicherlich einen weiteren, großen Umschwung in der Medizin bedeuten, wenn Computer in Zukunft ganze Patientenhistorien mitsamt allen Bildern betrachten können, um auf dieser Ebene den Weg eines Patienten durch die Institution Krankenhaus oder das gesamte Gesundheitswesen zu verfolgen und vorherzusagen.